第六讲 量化逻辑分析

量化分析技巧：学会运用数据分析，解决实际问题引言如今，我们身处一个数据驱动的时代，数据无处不在。

在各行各业，数据的重要性日益突显。

随着信息技术的发展，我们能够收集、存储和分析大量的数据。

而在这个过程中，量化分析技巧成为了解决实际问题的关键。

什么是量化分析？在深入探讨量化分析技巧之前，我们首先需要了解量化分析的基本概念。

量化分析是指通过收集、整理和分析各种数据，以便得出结论并作出决策的过程。

它帮助我们将问题和挑战具体化，并提供了解决方案。

对于个人而言，量化分析技巧可以帮助我们做出更明智的决策。

对于企业和组织而言，量化分析技巧可以帮助他们理解市场趋势、降低风险、提高效率、优化资源分配等等。

如何运用数据分析解决实际问题？接下来，让我们探讨一些运用数据分析解决实际问题的具体技巧和方法。

1. 收集和整理数据首先，我们需要收集和整理相关数据。

数据可以来自各种渠道，如市场调研、用户反馈、销售记录等。

在收集数据时，我们需要确保数据的准确性和完整性。

2. 数据清洗和预处理在进行数据分析之前，我们需要对数据进行清洗和预处理。

这是一个重要的步骤，可以帮助我们去除异常值、填补缺失值、标准化数据等。

数据清洗和预处理能够确保我们得到可靠的数据集，以便后续的分析工作。

3. 数据可视化数据可视化是一个非常有用的工具，可以帮助我们更好地理解数据。

通过数据可视化，我们可以将复杂的数据转化为直观的图表和图形，使得数据更易于理解和解读。

4. 探索性数据分析在进行正式的数据分析之前，我们可以先进行探索性数据分析。

这意味着我们可以对数据进行一些初步的统计分析，以获得对数据的整体印象。

通过探索性数据分析，我们可以发现数据中的模式、趋势和关联性。

5. 应用统计学方法统计学是量化分析中的基础。

我们可以运用各种统计学方法来分析数据，并得出相关的结论。

例如，我们可以使用假设检验来验证我们的猜想，使用回归分析来探索变量之间的关系，使用时间序列分析来预测未来的趋势等。

量化分析方法量化分析方法是指通过数学、统计学等工具对数据进行量化处理，以便更好地理解和解释数据的方法。

在现代社会中，量化分析方法被广泛应用于金融、市场营销、科学研究等领域，成为了决策和预测的重要工具。

本文将介绍几种常见的量化分析方法，包括回归分析、时间序列分析和假设检验。

首先，回归分析是一种用于探讨变量之间关系的量化分析方法。

在回归分析中，我们通常会选择一个因变量和一个或多个自变量，通过建立数学模型来描述它们之间的关系。

常见的回归分析方法包括线性回归、多元回归等。

通过回归分析，我们可以了解变量之间的相关性，预测未来的趋势，并进行因果推断。

回归分析方法的应用非常广泛，可以帮助企业进行市场预测、风险评估等决策工作。

其次，时间序列分析是一种用于研究时间序列数据的量化分析方法。

时间序列数据是按照时间顺序排列的数据，如股票价格、气温变化等。

时间序列分析可以帮助我们发现数据中的趋势、季节性变化和周期性波动，从而进行未来的预测和规划。

常见的时间序列分析方法包括移动平均法、指数平滑法、ARIMA模型等。

时间序列分析方法在金融领域、气象预测等方面有着重要的应用价值。

最后，假设检验是一种用于验证统计推断的量化分析方法。

在假设检验中，我们通常会对一个或多个总体参数提出假设，并通过样本数据来进行检验。

假设检验可以帮助我们判断某种观察结果是否具有统计显著性，从而进行决策和推断。

常见的假设检验方法包括t检验、F检验、卡方检验等。

假设检验方法在科学研究、质量控制等方面有着重要的应用价值。

综上所述，量化分析方法是一种重要的数据分析工具，可以帮助我们更好地理解和解释数据。

回归分析、时间序列分析和假设检验是其中的几种常见方法，它们在不同领域都有着重要的应用价值。

希望本文介绍的内容能够对读者有所帮助，谢谢！以上就是关于量化分析方法的文档内容，希望对您有所帮助。

谓词逻辑的量词与量化规则谓词逻辑是数学逻辑中的一个重要分支，它通过建立命题中的谓词和量词的关系，来研究命题之间的逻辑关系。

在谓词逻辑中，量词和量化规则是至关重要的概念，它们承担着描述命题范围、限定条件等功能，对于逻辑推理和命题演绎具有重要作用。

量词是谓词逻辑中用来描述对象集合中元素性质的符号，常见的量词包括“存在量词∃”和“全称量词∀”。

其中，“存在量词∃”表示某个性质在对象集合中至少存在一个元素具备，而“全称量词∀”则表示某个性质在对象集合中所有元素均具备。

量词的引入使得命题逻辑能够更加准确地描述命题之间的关系，增强了数学推理的精确性。

量词的引入需要遵循一定的量化规则，以确保逻辑推理的正确性。

在谓词逻辑中，量化规则包括范式转换、全称化简、存在化简等规则，通过这些规则对逻辑表达式进行转换和简化，进而实现对命题进行合理的推理和演绎。

在谓词逻辑的推理过程中，量词与量化规则的应用至关重要。

通过灵活运用量词和量化规则，我们可以更好地描述命题之间的逻辑关系，从而推导出结论或者得到一定的结论。

因此，掌握好量词与量化规则的运用是进行谓词逻辑推理的关键所在。

通过对谓词逻辑的量词与量化规则的学习和理解，我们可以更好地应用逻辑知识进行问题的推理和解决，提高逻辑思维能力，加深对数学逻辑学科的认识。

总结起来，谓词逻辑的量词与量化规则是谓词逻辑研究中的重要内容，通过深入研究和理解这些概念，我们可以更好地运用逻辑知识进行推理和演绎，提升数学逻辑学科的学习效果。

以上就是关于谓词逻辑的量词与量化规则的讨论，希望对您有所帮助。

愿您在学习逻辑知识的道路上取得更好的成绩！。

量化投资的基本步骤和逻辑
1. 确定投资目标和策略：投资者需要明确自己的投资目标，如长期增值、稳定收益等，并根据目标选择相应的投资策略，如多头策略、空头策略、套利策略等。

2. 数据收集和整理：量化投资需要大量的数据支持，因此需要收集和整理相关的数据，包括市场数据、公司财报、宏观经济数据等。

同时，还需要对数据进行清洗和预处理，以确保数据的质量和准确性。

3. 特征工程：在收集和整理数据的基础上，需要提取出有用的特征，以便构建模型。

特征工程包括选择合适的变量、计算统计指标、构建因子等。

4. 模型构建和回测：根据特征工程的结果，构建相应的数学模型，如线性回归模型、决策树模型、神经网络模型等。

然后，利用历史数据对模型进行回测，评估模型的准确性和效果。

5. 实盘交易和风险控制：在模型回测效果良好的情况下，可以将模型应用于实盘交易。

同时，需要制定相应的风险控制策略，以降低投资风险。

6. 模型优化和更新：量化投资的模型需要不断优化和更新，以适应市场的变化。

因此，需要定期对模型进行评估和改进，以提高投资效果。

总的来说，量化投资的基本步骤和逻辑是基于数据和模型的决策，通过对历史数据的分析和预测，构建有效的投资策略，并在实盘交易中不断优化和更新模型，以实现更好的投资效果。

《逻辑学导论》教学讲义目录第一讲绪论第一节逻辑学的研究对象1�1关于“逻辑”一词1�2逻辑学是研究推理论证的学问1�3演绎与归纳第二节形式化——逻辑学研究方法的特点2�1命题、推理的形式与内容2�2推理的有效性只同形式相关2�3逻辑学研究的形式化特征第三节逻辑学理论的意义及其与相关学科的关系3�1逻辑学理论的重要意义3�2逻辑学与思维科学的关系3�3逻辑学与语言学的关系第二讲词项第一节词项概述1�1什么是词项1�2词项的逻辑特征1�3词项与语词、概念第二节词项的种类2�1单独词项与普遍词项2�2集合词项与非集合词项2�3实词项与虚词项2�4正词项与负词项第三节词项之间的关系3�1相容关系3�2不相容关系第四节明确词项的逻辑方法4�1概括与限制4�2划分4�3定义第三讲传统直言命题逻辑第一节命题概述1�1什么是命题1�2命题的逻辑特征1�3命题与语句、判断第二节传统直言命题2�1传统直言及其逻辑结构2�2直言命题的分类2�3直言命题的周延性2�4A、E、I、O之间对当关系2�5传统直言命题的文恩图解第三节直接推理3�1直言命题推理概述3�2对当关系推理3�3变形推理第四节三段论4�1什么是三段论4�2三段论的规则4�3三段论的格4�4三段论的式4�5非标准形式的三段论第四章复合命题与命题公式第一节复合命题概述1�1复合命题及其逻辑结构1�2复合命题的逻辑特征第二节复合命题的几种基本形式2�1负命题2�2联言命题2�3选言命题2�4条件命题2�5等值命题第三节命题公式与真值函数3�1命题公式3�2命题公式与真值函数第四节命题公式之间的逻辑等值关系4�1命题公式之间的逻辑等值4�2几个重要的重言等值式4�3命题公式的相互定义第五章命题逻辑第一节基本的有效推理式1�1有效推理与无效推理1�2基本的有效推理式第二节推理有效性的形式证明2�1推理有效性与命题演算2�2有效推理的形式证明2�3基本推导规则与等值替换规则2�4条件证明规则2�5间接证明规则2�6证明重言式第三节无效推理的判定3�1用真值表证明推理的无效性3�2用归谬赋值法判定推理的有效与无效3�3证明公式集合的协调性第六讲量化逻辑第一节简单命题的逻辑结构1�1个体词和谓词和单称命题1�2谓词模式、命题函数与量化命题1�3量化命题公式1�4量化命题公式的真假条件第二节量化命题的形式化2�1A、E、I、O命题的形式化2�2一般简单命题的形式化2�3多重量化命题第三节量化推理规则3�1全称例示规则�简记为U S�3�2存在概括规则�简记为E G�3�3全称概括规则�U G�3�4存在例示规则�E S�第四节无效量化推理的判定4�1量化公式的真值函项展开式4�2无效量化推理的判定第七讲规范逻辑初步第一节模态命题1�1模态词与模态命题1�2模态命题的逻辑性质第二节规范命题2�1规范命题概述2�2规范命题的逻辑形式2�3规范命题的逻辑特征第三节规范推理3�1规范对当关系推理3�2复合规范命题的推理第八讲逻辑思维的基本规则第一节同一律1�1同一律内容和要求1�2违反同一律要求产生的逻辑错误1�3同一律的作用第二节矛盾律2�1矛盾律内容和要求2�2违反矛盾律要求产生的逻辑错误2�3矛盾律的作用第三节排中律3�1排中律内容和要求3�2违反排中律要求产生的逻辑错误3�3排中律的作用3�4排中律与矛盾律的区别第一讲绪论在本讲中我们要讨论逻辑学的研究对象�逻辑学研究方法的特点�逻辑与一些相关科学的关系�以及逻辑学的学科性质及其重要应用价值。

量化逻辑的运算和推理规则量化逻辑是一种研究范畴广泛且深入的逻辑学分支，它通过引入量词和谓词来处理量化关系，使得逻辑系统能够更准确地描述现实世界中的复杂问题。

量化逻辑的运算和推理规则是该领域的核心内容，本文将深入探讨量化逻辑的运算和推理规则。

1. 量化逻辑的基本概念量化逻辑引入了两种基本的量词：全称量词和存在量词。

全称量词表示某个属性对于所有个体都成立，而存在量词表示某个属性对于至少一个个体成立。

2. 量化逻辑的运算规则2.1 全称量词的运算规则在量化逻辑中，全称量词可以通过对个体的运算得到结论。

全称量词的运算规则包括分发律、合取律、析取律等。

其中，分发律指的是全称量词可以分发到连接词之前或之后，进而推导出新的关系。

2.2 存在量词的运算规则与全称量词类似，存在量词也存在一些运算规则。

例如，存在量词与否定词的组合可以通过运算得到新的关系。

存在量词的运算规则主要包括取反律、存在介入律等。

3. 量化逻辑的推理规则3.1 全称量词的推理规则全称量词的推理规则主要涉及全称量词的引入和消去。

全称量词的引入指的是通过某些条件可以得出某个属性对于所有个体都成立。

而全称量词的消去则是在已有的条件下推断出全称量词对应的属性。

3.2 存在量词的推理规则存在量词的推理规则同样涉及存在量词的引入和消去。

存在量词的引入指的是通过某些条件可以得出某个属性对于至少一个个体成立。

而存在量词的消去则是在已有的条件下推断出存在量词对应的属性。

4. 量化逻辑在实际应用中的意义量化逻辑在人工智能、数据库系统、自然语言处理等领域中具有重要的应用价值。

通过运用量化逻辑的运算和推理规则，可以准确地描述和处理现实世界中的问题，进而提高系统的智能程度和性能。

总结：量化逻辑的运算和推理规则是该领域的核心内容，它们通过引入全称量词和存在量词，使得逻辑系统能够更准确地描述现实世界中的复杂问题。

全称量词和存在量词分别代表所有个体和至少一个个体的属性。

通过运用量化逻辑的运算和推理规则，可以为人工智能、数据库系统等领域提供准确的描述和处理方法，从而提高系统的性能和智能程度。

量化原理
量化是指将高比特的数值（如浮点数）用更低比特的数值（如整数）来表示的方法。

在机器学习和深度学习中，量化技术被广泛应用于神经网络模型的推理阶段，以减少计算和存储资源的使用，提高模型推理的速度和效率。

量化的原理可以简单概括为以下几个步骤：
1. 量化参数选择：根据模型的特点和应用场景，选择合适的量化参数，如量化的比特数、量化的方式（定点量化、定点-浮点混合量化等）等。

2. 量化权重和激活值：将权重和激活值从浮点数转换为低比特数的整数或定点数。

3. 量化误差评估：量化过程中会引入一定的误差，需要评估量化误差对模型性能的影响，并采取相应的补偿措施，如使用低比特数的权重和激活值进行反向传播训练。

4. 量化模型推理：将量化后的权重和激活值输入模型进行推理，输出相应的结果。

需要注意的是，量化技术虽然可以有效地减少计算和存储资源的使用，但也可能引入一定的精度损失。

因此，在选择量化参数和评估量化误差时需要综合考虑模型的性能和精度需求。

解析谓词逻辑的量化和谓词演算谓词逻辑是数理逻辑的一种分支，负责研究命题中的谓词和量化词的运算关系。

它广泛应用于计算机科学、人工智能和哲学等领域。

本文将从量化和谓词演算两方面对谓词逻辑进行解析。

一、量化量化是谓词逻辑中的重要概念之一，用来描述命题的数量。

量化分为普遍量化和存在量化两种形式。

普遍量化使用全称限定词“对于一切”（forall）来表示，表示命题在所有情况下都成立。

例如，在数学中，命题“对于一切x，x + 1大于x”使用普遍量化可以表示为“∀x (x + 1 > x)”。

存在量化使用存在限定词“存在”（exists）来表示，表示至少存在一个情况使得命题成立。

例如，在集合论中，命题“存在一个数x，使得x属于自然数集合”可以表示为“∃x (x ∈ℕ)”。

量化使得谓词逻辑能够更加准确地描述实际情况，同时也提供了推理和证明的基础。

二、谓词演算谓词演算是一种用符号表示命题的形式化方法，用于对谓词逻辑进行推理和验证。

谓词演算分为一阶谓词演算和二阶谓词演算两种形式。

一阶谓词演算（First-Order Predicate Calculus，简称FOPC）使用谓词、变量和量化词来描述命题，并且限定了变量的范围。

例如，命题“对于每个人x，x是善良的”可以使用一阶谓词演算表示为“∀x (Person(x) → Kind(x))”。

二阶谓词演算（Second-Order Predicate Calculus，简称SOPC）扩展了一阶谓词演算，允许对谓词进行量化。

例如，命题“存在一个集合X，X包含全部自然数”可以使用二阶谓词演算表示为“∃X (∀x (x ∈ X))”。

谓词演算通过严格的推理规则和语法规范，使得逻辑推理和证明更加严谨和准确。

它在形式化验证、自动推理和计算机证明等领域具有重要的应用价值。

结论谓词逻辑的量化和谓词演算是谓词逻辑的重要组成部分。

量化通过普遍量化和存在量化描述命题的数量，为命题的确定性和推理提供了基础。

量化逻辑在实际问题中的应用量化逻辑是一种基于概率和数理统计的分析方法，它能够在实际问题中使用定量化的方式来评估风险、做出决策和进行预测。

本文将介绍量化逻辑的基本原理以及它在实际问题中的应用。

一、量化逻辑的基本原理量化逻辑是将定量数据与逻辑推理相结合的方法，它基于概率论和统计学的原理，通过数量化的方式来表达不确定性和风险。

量化逻辑主要包括以下几个要素：1. 概率：概率是指某个事件发生的可能性。

在量化逻辑中，通过概率的方式来表达不确定性和风险的程度。

2. 统计学：统计学是量化逻辑的重要基础。

通过收集和分析数据，可以得出一些统计指标，如均值、方差和相关系数等，这些指标可以用来评估和预测实际问题。

3. 假设检验：假设检验是利用统计学方法来验证某个假设是否成立的过程。

通过设定显著性水平和计算统计量，可以判断某个假设是否通过。

二、量化逻辑在风险评估中的应用风险评估是量化逻辑的一大应用领域。

通过收集相关数据，可以计算出某个事件发生的概率，从而衡量风险的大小。

例如，在金融领域，量化交易是一种常见的策略。

量化交易基于大量的历史数据和数学模型，通过计算股票价格的波动性和相关性，预测未来的市场行情，并做出相应的投资决策。

此外，量化逻辑也在风险管理和保险业中得到广泛应用。

通过数量化不同风险事件的概率，可以为保险产品定价，并为客户提供合适的保险方案。

三、量化逻辑在决策分析中的应用量化逻辑还可以帮助人们在决策分析中做出明智的选择。

通过收集和分析相关数据，可以评估不同决策的风险和收益，从而选择最优的方案。

例如，在市场营销中，通过统计数据和概率分析，可以评估某个市场营销活动的效果，并决定是否继续投入资源。

此外，量化逻辑还可以在供应链管理中发挥作用。

通过收集供应链中的各种数据，可以进行需求预测和库存控制，从而提高运营效率。

四、量化逻辑在预测和模型建立中的应用量化逻辑还可以用于预测未来的趋势和建立相应的模型。

通过历史数据的统计分析，可以发现某些规律和趋势，并利用这些规律和趋势来预测未来的发展。

量化资金的洛基逻辑
所谓“量化”是区别于传统的“定性”投资而言。

量化投资，顾名思义，就是在做交易决策的时候，借助科学方法，用数学程式和自动交易算法来执行人的投资策略和逻辑。

传统的交易员比较依赖经验和直觉，而量化交易员会基于历史数据，将投资理念、投资策略写成程序，不依赖主观认知，让程序自行交易。

“量化”的过程借助了电脑乃至超级电脑，为人类进行数据收集、处理，并多次循环完成模型拟合、策略回测、策略修改的工作，通过小量资金进行实盘操作，确认策略运行良好后，再放大资金真正实行。

投资时，我们常常遇到的问题是在市场狂热时自己头脑一热，不是拿不住就是高位入场，而在市场悲观的时候自己也恐慌，只想割肉求生。

而量化投资会极大地减少投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。

这就是量化投资的特点之一：纪律性更强，避免人性弱点。

量化投资还具有着可以高效、准确地处理海量信息的特点，由于机器覆盖面广，可以建筑多层次模型、进行多角度观察，监控全市场，并选择几百只股票进行投资。

可以在众多股票中发现价格错配的个股，能够及时跟踪市场，发现交易机会，准确客观评价交易机会，妥善运用套利，从而获取超额收益。

另外，分散投资目标也可以分散风险。

量化分析方法量化分析方法是指利用数学、统计学和计算机科学等工具对数据进行量化分析的方法。

在现代社会，数据已经成为了重要的资源，而如何对数据进行有效的分析和利用，已经成为了各行各业都面临的重要问题。

量化分析方法的出现，为我们提供了一种科学、系统的分析数据的方法，可以帮助我们更好地理解数据背后的规律，做出更准确的决策。

首先，量化分析方法可以帮助我们对数据进行更加准确的描述和总结。

通过统计学方法，我们可以计算出数据的均值、标准差、偏度、峰度等统计量，从而对数据的分布特征有一个直观的认识。

同时，通过绘制直方图、箱线图、散点图等图表，我们可以更直观地了解数据的分布情况，发现数据中的异常值和规律性，为后续的分析奠定基础。

其次，量化分析方法可以帮助我们进行数据的预测和建模。

在金融领域，量化分析方法被广泛应用于股票价格的预测和风险管理。

通过时间序列分析、回归分析等方法，我们可以建立起对股票价格走势的数学模型，从而进行未来价格的预测。

在工程领域，量化分析方法也可以应用于产品的质量控制和故障预测，帮助企业提前发现问题，减少损失。

另外，量化分析方法还可以帮助我们进行决策分析和优化。

在运筹学和管理科学领域，量化分析方法被广泛应用于决策树模型、线性规划、整数规划等问题的求解。

通过量化分析方法，我们可以对决策问题进行量化描述，找到最优的决策方案，提高决策的科学性和准确性。

总之，量化分析方法是一种强大的工具，可以帮助我们更好地理解和利用数据，提高决策的科学性和准确性。

随着大数据和人工智能技术的发展，量化分析方法将会得到更广泛的应用，为人类社会的发展进步提供强大的支持。

希望各行各业的从业者能够加强对量化分析方法的学习和应用，共同推动数据科学的发展，为社会的发展做出更大的贡献。

量化分析方法
首先，我们来谈谈统计分析方法。

统计分析是将数据进行整理、描述和推断的过程。

在统计分析中，我们常用的方法包括描述统计、推断统计和回归分析等。

描述统计是通过图表、频数、均值、标准差等指标来描述数据的分布特征；推断统计是通过抽样方法来对总体进行推断；回归分析是用来研究变量之间的关系。

这些方法在量化分析中都有着重要的作用。

其次，我们要提到数据挖掘方法。

数据挖掘是一种通过自动或半自动的方法来发现数据中的模式、规律和知识的过程。

在数据挖掘中，我们常用的方法包括聚类分析、关联规则分析和分类预测等。

聚类分析是将数据进行分类，找出相似的数据集；关联规则分析是用来发现数据中的关联关系；分类预测是通过建立预测模型来预测未来事件的发生。

这些方法可以帮助我们从大量的数据中提取有用的信息。

最后，我们要介绍的是风险管理方法。

在量化分析中，风险管理是一个重要的环节。

风险管理方法包括风险识别、风险评估和风险控制等。

风险识别是通过对潜在风险因素的识别，来确定可能发生的风险；风险评估是对风险的概率和影响进行评估，以确定其重要性；风险控制是采取措施来减少风险的发生和影响。

这些方法可以帮助我们在面对不确定性的情况下，做出合理的决策。

总的来说，量化分析方法在实际应用中有着广泛的用途。

通过统计分析、数据挖掘和风险管理等方法，我们可以更好地理解数据、发现规律、预测趋势，从而做出科学的决策。

希望本文介绍的方法对大家有所帮助，谢谢阅读。

逻辑思维！量化思维！五期035学员：从题材分析课，到买卖战法课，再到量化分析课，循序渐进，逐层剖析。

先选时后选股，题材为王，龙头优先，是思多金让我明白了，风险第一，如果不能控制好风险，遇上一次黑天鹅，最后还是竹篮打水一场空。

经过三个月的学习，我清楚的认识到一点，要想稳定盈利必须要有一套模式，要做大概率交易。

鹅老师说过，散户投资最难的就是去情绪化，确实如此，每当看到股票上涨时，人的欲望总会让人有一种股票还会继续上涨的想法，每当看到股票下跌时，总是安慰自己明天就不会再跌了。

再等等看，可实际的结果却是盈利的都回撤了，套牢的越套越深。

学习量化课程后，我做了几个游资的风格统计。

有的游资就是做惯性套利，今天买，明天卖。

无论明天是大盘是否走强，无论明天自己持有的个股是否涨停，是否跌停，是否亏损，都坚决卖出。

这就是模式，这就是纪律。

通过量化分析，龙回头战法的胜率可以达到70%左右，自从学习龙回头战法后，加上自己的量化总结，形成了自己的龙回头战法交易系统。

先后成功操作过信达地产，英力特，浩物股份，国栋建设等等，我目前就只做这种模式，专做龙回头。

另外，我学习量化分析课后，我自己在研究另外一种模式，就是热点题材的龙二战法。

因为很多时候，当一个题材走强时，龙一很多时候会一字板，无法参与。

像之前的国中水务龙一，龙二皇氏集团也跟随走出3连板，像最近的高送转预期，龙一燕塘乳业2个一字板，龙二亚玛顿也有接近35%的涨幅。

这就是思多金的过人之处，他不仅仅教技术，更重要的是教方法，教会了我们方法，我们自己也可以自己做量化统计，量化出更多的交易模式。

有了自己的交易模式后，交易的成功率大大提高。

五期022学员：有种突破瓶颈的感觉，以前一直靠市场当老师，很多操作都有种模糊的概念，学完之后就像打通任督二脉一样，很清晰了，特别是量化战法，把我以前做的组合一下子就理顺了，哪些是运气，哪些是逻辑对，整体思路非常清晰，特别感谢企鹅老师，他所有授课其实都在强调一件事：逻辑。

量化的逻辑2015.3.8这是一篇对于理念和逻辑的总结。

1. 客观真实不可知。

1）客观真实，与绝对真理，是同一个存在。

都是可望而不可及的。

2）人的观察，受限于进化形成的器官，以及观察所使用的工具，必然是片面的，扭曲的，不能完整真实地反映客观真实。

3）不论如何地进步，观察所得离客观真实的差距都是绝对存在的，而这个差距在某些场合某些意义上，是绝对地大，而不是微乎其微。

4）人类所使用的语言，不论其内涵外延如何，必然只是一种归纳，而与具体所指的客观有所偏差。

而在沟通中，也会加入噪音。

更不必说，歌德尔定律证明了符号系统必然是有限和不完备的，无法反映无限的客观真实。

5）线性的，逻辑的思维方式，是人类大脑在进化中形成的本能。

把客观世界简化成一个模式，而无视与这个模式不同的地方，这是黑天鹅的源头。

客观世界是无所谓黑天鹅这个概念的，只有当人类把自己大脑中的模式，当作绝对存在时，才会出现黑天鹅。

6）客观世界的可知与不可知，实质上是一种信仰，或者世界观的哲学，并无是非对错可言。

不论人类的知识是否在辩证式的螺旋发展，还是线性地积累，都只是无根基的虚空中的浮舟。

2. 三层映射。

1）货币是人类的一个重大发明，会计体系、证券市场也是。

2）会计报表、会计准则，是被发明和设计出来，用来反映公司这种人类协作活动的一种工具。

它并不能客观、真实、完整地反映客观实在，只是一种必然会带有偏差的映射。

3）以会计报表和其它各种经营信息为基础，去形成证券的价值和价格，这是第二层映射。

不论是对未来现金流的预估，还是各种信息的收集分析，还是交易双方的买卖力量对比，在形成最终价值上，每一个环节都会有偏差。

4）以市场交易数据为基础，构造一个模型，是第三层映射。

所有的K线，都只是一种取样。

但是即使把每一笔交易都包括进了模型，即使把每一次挂单询盘都包括进了模型，以大数据的方式得到的，仍然只是样本而不是总体。

因为市场是包括了买卖双方，以及政府等参与者的，交易数据所表现的，只是冰山一角。